ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ АНАЛІЗУ СПЕКТРОГРАМ АКУСТИЧНИХ СИГНАЛІВ ВЗАЄМОДІЇ КОЛЕСА І РЕЙКИ

Д. І. Cкуріхін; А. О.  Ловська; В. Г. Равлюк; А. В.  Рибін; В. В.  Бондаренко

doi:10.34185/1562-9945-2-163-2026-20

Автор(и)

Д. І. Cкуріхін https://orcid.org/0000-0002-3746-5157
А. О. Ловська https://orcid.org/0000-0002-8604-1764
В. Г. Равлюк https://orcid.org/0000-0003-4818-9482
А. В. Рибін https://orcid.org/0000-0003-4430-8018
В. В. Бондаренко https://orcid.org/0000-0003-4019-4017

DOI:

https://doi.org/10.34185/1562-9945-2-163-2026-20

Ключові слова:

згорткова нейронна мережа, акустичний сигнал, MobileNet, акустичний моніторинг, залізничний транспортний засіб

Анотація

У статті розглянуто застосування нейронних мереж для аналізу спектрограм акустичних сигналів взаємодії колеса і рейки з метою автоматизованого моніторингу технічного стану рухомого складу. Наведено результати експериментальних вимірю-вань акустичних сигналів під час проходження поїздів, виконано побудову та експертну розмітку спектрограм. Для автоматичної класифікації сигналів використа-но згорткову нейронну мережу на основі MobileNet. Проведене навчання моделі дозво-лило ідентифікувати характерні типи акустичних сигналів: ударну взаємодію колеса і рейки, шум кочення, аеродинамічний шум та скрегіт у кривих ділянках колії.
Проведене дослідження підтверджує ефективність застосування нейронних мереж для аналізу спектрограм акустичних сигналів, що генеруються під час взаємодії колеса та рейки. Запропонований підхід дозволяє автоматично ідентифікувати характерні акустичні події, пов'язані з різними умовами експлуатації залізничного рухомого скла-ду. Отримані результати демонструють потенціал інтеграції методів машинного на-вчання в інтелектуальні інформаційно-вимірювальні системи для діагностики та мо-ніторингу залізниць. Запропонований метод може сприяти підвищенню ефективності систем акустичного моніторингу та розробці технологій прогнозного обслуговування залізничних транспортних засобів.

Посилання

Molodova, M., Li, Z., Dollevoet, R. Axle box acceleration: Measurement and simulation for detection of short track defects.Mechanical Systems and Signal Processing, 2014. https://doi.org/10.1016/j.ymssp.2013.10.011

Zhang, W., Li, Z., Dollevoet, R. Rail defect detection using axle box acceleration meas-urements. Mechanical Systems and Signal Processing, 2018. https://doi.org/10.1016/j.ymssp.2017.10.020

Li, Z., Molodova, M., Núñez, A. Condition monitoring of railway infrastructure and vehi-cles based on vibration measurements. Sensors, 2020. https://doi.org/10.3390/s20051472

Antoni, J. The spectral kurtosis: A useful tool for characterising non-stationary signals. Mechanical Systems and Signal Processing, 2006. https://doi.org/10.1016/j.ymssp.2004.09.001

Randall, R., Antoni, J. Rolling element bearing diagnostics — A tutorial. Mechanical Sys-tems and Signal Processing, 2011. https://doi.org/10.1016/j.ymssp.2010.07.017

Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., Gao, R. Deep learning and its ap-plications to machine health monitoring. Mechanical Systems and Signal Processing, 2017. https://doi.org/10.1016/j.ymssp.2016.11.030

Lei, Y., Li, N., Guo, L., Li, N., Yan, T., Lin, J. Machinery health prognostics: A systematic review. Mechanical Systems and Signal Processing, 2020. https://doi.org/10.1016/j.ymssp.2019.106587

Zhang, Y., Qin, Y., Mao, Y. Deep learning for intelligent fault diagnosis in mechanical systems. IEEE Transactions on Industrial Electronics, 2021. https://doi.org/10.1109/TIE.2020.2972442

Peng, Z., Chu, F. Application of wavelet transform in machine condition moni-toring. Me-chanical Systems and Signal Processing, 2004. https://doi.org/10.1016/j.ymssp.2003.09.007

Jia, F., Lei, Y., Lin, J., Zhou, X., Lu, N. Deep neural networks: A promising tool for fault characteristic mining. Mechanical Systems and Signal Processing, 2016. https://doi.org/10.1016/j.ymssp.2015.10.025

Skurikhin D. I., Lovska A. O., Ravliuk V. H., Rybin A. V. Tsyfrovi tekhnolohii pid-trymky zhyttievoho tsyklu zaliznychnoho rukhomoho skladu: analityka ta vek-tory rozvytku. Rozvytok transportu. 2025. № 3(26). S. 113–125. DOI: https://doi.org/10.33082/td.2025.3-26.08.

Bondarenko V. V., Skurikhin D. I., Vizniak R. I., Ravlyuk V. H., Skurikhin V. I. Ex-perimental study of the method and device for wheel-sets acoustic monitoring of railway cars in motion. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2019. № 4. S. 30–37. https://doi.org/10.29202/nvngu/2019-4/7.